論文の概要: Natural Language Knowledge Graph Query Execution: Leveraging Controlled Semantics in the LLM Context Window

• arxiv url: http://arxiv.org/abs/2609.14652v1
• Date: Sun, 13 Sep 2026 16:36:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.889389
• Title: Natural Language Knowledge Graph Query Execution: Leveraging Controlled Semantics in the LLM Context Window
• Title（参考訳）: 自然言語知識グラフクエリの実行: LLMコンテキストウィンドウにおける制御されたセマンティクスの活用
• Abstract要約: データベースクエリの場合、データモデルの概念は、宣言された機械可読なセマンティクスを持つ語彙の表現を通して、より効果的にLLMに渡されることを示す。 NLKGQは、ナレッジグラフでモデル化されたデータに対してこれを行う、作業システムと再利用可能なフレームワークである。 我々はDBLP-QuAD 2.0ベンチマーク(57.6%の一致)、DBLP-QuAD 3.1(1,000質問の89.9%の一致)、SemOpenAlex(98%の一致)について評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Model (LLM) applications often transfer domain concepts into the model's context informally, through prompt prose, schema dumps, and examples. We show that for database queries, data model concepts pass to LLMs more effectively through representations whose vocabulary terms carry declared, machine-readable semantics (controlled semantics). NLKGQ is a working system and reusable framework that does this for data modeled in a knowledge graph. A formal OWL ontology serves as the transfer mechanism, concentrating the meaning of the data into semantically precise tokens the model can use directly. In a single LLM call, NLKGQ places in the context a system prompt instructing on SPARQL, the complete domain OWL ontology, and a domain-specific prompt addition, together with the user's natural language query. The model then generates the SPARQL query directly, zero-shot. Where the native vocabulary of an existing database or federation of databases is opaque, a wrapper ontology substitutes clean terms and a runtime rewriter restores the native forms. Evaluating on DBLP-QuAD 2.0 showed that its scores depend on the graph snapshot, the endpoint used, and the wording of its machine-generated questions, so we propose DBLP-QuAD 3.1, which maintains the intent of 2.0 while making reference results deterministic, revising reference SPARQL where needed, and rewriting the natural language questions, with a frontier model, to state each reference query's intent clearly and completely. We evaluate on the DBLP-QuAD 2.0 benchmark (57.6% Match under deterministic re-scoring), DBLP-QuAD 3.1 (89.9% Match on 1,000 questions), SemOpenAlex (98% Match against a published baseline's 86% on the identical test set), and neuroimaging metadata (100%).
• Abstract（参考訳）: 大規模言語モデル(LLM)アプリケーションは、しばしばプロンプトの散文、スキーマダンプ、例を通して、ドメイン概念をモデルコンテキストに非公式に転送する。 データベースクエリの場合、データモデルの概念は、宣言された機械可読セマンティクス(制御セマンティクス)を持つ語彙の表現を通して、より効果的にLLMに渡される。 NLKGQは、ナレッジグラフでモデル化されたデータに対してこれを行う、作業システムと再利用可能なフレームワークである。 正式なOWLオントロジーは転送メカニズムとして機能し、データの意味をモデルが直接利用できる意味論的に正確なトークンに集約する。 単一のLLMコールでは、NLKGQは、システムがSPARQL、完全なドメインOWLオントロジー、およびドメイン固有のプロンプトの追加をユーザーの自然言語クエリと共に指示するコンテキストに配置する。 モデルはその後、ゼロショットで直接SPARQLクエリを生成する。 既存のデータベースのネイティブ語彙やデータベースのフェデレーションが不透明である場合、ラッパーオントロジーはクリーンな用語を代用し、実行時リライトはネイティブフォームを復元する。 そこで我々は,DBLP-QuAD 3.1を提案する。DBLP-QuAD 3.1は,参照結果を決定的とし,参照SPARQLを必要に応じて修正し,フロンティアモデルで自然言語質問を書き換え,各参照クエリの意図を明確かつ完全に記述する。 我々はDBLP-QuAD 2.0ベンチマーク(57.6%)、DBLP-QuAD 3.1(89.9%)、SemOpenAlex(98%)、Neuroimaging metadata(100%)を評価した。

関連論文リスト

• Towards Researcher Agents for Knowledge-Graph Question Answering [0.0]
  本稿では,静的なツール利用エージェントを超えたエージェント型テキスト・ツー・SPARQLシステムを提案する。 我々はDBpediaのループをインスタンス化し、低コストの推論モデルによって駆動されるエージェントの9つの連続バージョンを進化させ、最高のパフォーマンス構成をデプロイする。
  論文  参考訳（メタデータ） (2026-08-07T18:42:53Z)
• Natural Language Access to Domain-Specific Metadata: A Reusable Framework for LLM Query Generation [0.0]
  大規模言語モデル(LLM)は、微調整、検索拡張、マルチエージェントオーケストレーションなしで、ゼロショットで正確な構造化クエリを生成することができることを示す。 本稿では自然言語知識グラフクエリ(NLKGQ)システムについて述べる。
  論文  参考訳（メタデータ） (2026-07-20T14:59:33Z)
• FIRESPARQL: A LLM-based Framework for SPARQL Query Generation over Scholarly Knowledge Graphs [0.5120567378386615]
  我々は、RAGとSPARQLクエリ修正層を介してオプションコンテキストで、微調整LDMをコアコンポーネントとしてサポートするモジュラーフレームワークを提案する。 BLEUとROUGEのメトリクスを用いてクエリ精度を測定し、緩和された正確なマッチング(RelaxedEM)を用いてクエリ結果の精度を測定する。 実験結果から,クエリの精度は0.90 ROUGE-L,テストセットの精度は0.85 RelaxedEMに達した。
  論文  参考訳（メタデータ） (2025-08-14T09:08:50Z)
• Text-to-SPARQL Goes Beyond English: Multilingual Question Answering Over Knowledge Graphs through Human-Inspired Reasoning [51.203811759364925]
  mKGQAgentは、自然言語の質問をSPARQLクエリに変換し、モジュール化された解釈可能なサブタスクに変換するタスクを分解する。 2025年のText2SPARQLチャレンジにおいて、DBpediaとCorporateベースのKGQAベンチマークに基づいて評価され、私たちのアプローチは、他の参加者の中で第一に行われました。
  論文  参考訳（メタデータ） (2025-07-22T19:23:03Z)
• Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs [51.33342412699939]
  知識グラフクエリ埋め込み(KGQE)は、不完全なKGに対する複雑な推論のために、低次元KG空間に一階論理(FOL)クエリを埋め込むことを目的としている。 近年の研究では、FOLクエリの論理的セマンティクスをよりよく捉えるために、さまざまな外部情報(エンティティタイプや関係コンテキストなど)を統合している。 コードのようなクエリ命令から遅延クエリパターンをキャプチャする効果的なクエリ命令解析(QIPP)を提案する。
  論文  参考訳（メタデータ） (2024-10-27T03:18:52Z)
• Less is More: Making Smaller Language Models Competent Subgraph Retrievers for Multi-hop KGQA [51.3033125256716]
  本研究では,小言語モデルで処理される条件生成タスクとして,サブグラフ検索タスクをモデル化する。 2億2千万のパラメータからなる基本生成部分グラフ検索モデルでは,最先端モデルと比較して競合検索性能が向上した。 LLMリーダを接続した最大の3Bモデルは、WebQSPとCWQベンチマークの両方で、SOTAのエンドツーエンドパフォーマンスを新たに設定します。
  論文  参考訳（メタデータ） (2024-10-08T15:22:36Z)
• UQE: A Query Engine for Unstructured Databases [71.49289088592842]
  構造化されていないデータ分析を可能にするために,大規模言語モデルの可能性を検討する。 本稿では,非構造化データ収集からの洞察を直接問合せ,抽出するUniversal Query Engine (UQE)を提案する。
  論文  参考訳（メタデータ） (2024-06-23T06:58:55Z)
• NL2KQL: From Natural Language to Kusto Query [1.7931930942711818]
  NL2KQLは、大規模言語モデル(LLM)を使用して自然言語クエリ(NLQ)をKusto Query Language(KQL)クエリに変換する革新的なフレームワークである。 NL2KQLのパフォーマンスを検証するために、オンライン(クエリ実行に基づく)とオフライン(クエリ解析に基づく)メトリクスの配列を使用します。
  論文  参考訳（メタデータ） (2024-04-03T01:09:41Z)
• Improving Text-to-SQL Semantic Parsing with Fine-grained Query Understanding [84.04706075621013]
  トークンレベルのきめ細かいクエリ理解に基づく汎用的モジュール型ニューラルネットワーク解析フレームワークを提案する。 我々のフレームワークは、名前付きエンティティ認識(NER)、ニューラルエンティティリンカ(NEL)、ニューラルエンティティリンカ(NSP)の3つのモジュールから構成されている。
  論文  参考訳（メタデータ） (2022-09-28T21:00:30Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。